生成式AI的崛起：一本 2023 年的行业剪报，两个同名章暴露了它没人通读

2026-11-11silcano

微信读书《生成式AI的崛起》· 抓取 256 屏 / 27 章 / 135 条目录 · 读到书尾，用时 390.0 秒
逐字核对 6 屏 · p0006 书名条核对为本书（目录名与真实书名一致）· 2026-11-11
抽样点位怎么定的：这本书没有「节」的概念，256 屏被切成 140 段，平均一段 1.8 屏，所以均匀抽样没有意义，我按「结构疑点」定点核：p0012（第二章开头，看它怎么讲历史）、p0032（生成式AI的局限性与挑战，看论证密度）、p0067（第 8 章里出现 Whisper 论文图的那一屏）、p0083（第九章开头的市场预测图，看书里唯一的硬数字）、p0121 与 p0162（第十三章和第十八章，两章同名，去核对是不是真重复）。六屏约占 2.3%，样本不大，但这本书每屏的信息量也就那么多，六屏足够看清它的写法。

这本书读完，我最大的感受不是它写得差，是它不像一本书。二百五十六屏，二十七章，一百四十个段落，平均每个段落不到两屏——这个密度意味着全书没有一处地方能连续论证超过八百字。它更像一份被装订起来的行业剪报：每一段都是「某行业概况 + 市场数字 + 几个用例 + 益处与挑战 + 结论」的同一套模具，换一个行业名，再压一遍。

而它记录的世界，停在 2023 年上半年。书里最新的模型是 GPT-4，最新的产品是 ChatGPT Plus，最新的公共事件是印度 G20 峰会。书名里那个词——「崛起」——在 2026 年读起来像个过去时：它记录的不是趋势，是一个已经发生过的时间切片。

一、先算结构账：27 章，平均每章 9.5 屏

256 屏，27 章，135 条目录。把这个数摊开看：每章 9.5 屏，每章平均 5 个条目，每个条目不到 2 屏。

这个密度不是「简洁」，是「没法展开」。举个具体的：第四章「生成式AI的监管及法律问题」，全章 4 屏（p0021–p0024），其中「安全和保障」占 3 屏。生成式 AI 的监管在 2023 年是全球最热的政策议题之一——欧盟 AI 法案、美国各州立法、中国的生成式人工智能服务管理暂行办法——四屏能写什么？写一个「存在安全与保障问题，需要监管」的结论。

再看章节分布：第一章 ChatGPT 介绍 6 屏，第二章生成式AI模型的历史 4 屏，第三章银行业应用 5 屏，第四章监管 4 屏，第五章政府应用 5 屏，第六章内容真实性 7 屏，第七章技术概述 11 屏，第八章 GPT 系列历史 28 屏，第九章使用案例 13 屏，第十章教育及线上学习 7 屏，第十一章娱乐业 8 屏，第十二章编码 11 屏，第十三章问题解决能力 10 屏，第十四章金融业 8 屏，第十五章医疗 9 屏，第十六章电商 8 屏，第十七章酒店 6 屏，第十八章问题解决能力 11 屏，第十九章网络安全与科技政策 20 屏，第二十章教育科技 11 屏，第二十一章研究工作 12 屏，第二十二章编码工作 10 屏，第二十三章最新进展 6 屏，第二十四章当前市场 7 屏，第二十五章 G20 印度 6 屏，第二十六章 GPT-4 12 屏，第二十七章未来展望 5 屏。

换个角度看这 27 章：真正按时间写的只有第 8 章（GPT 系列史，28 屏）和第 26 章（GPT-4，12 屏），合计 40 屏、占 15.6%；剩下八成多全是按空间切的——按行业、按场景、按地区。按时间写能讲清因果，按空间切只能列清单。这本书选择了后者，所以它注定只能告诉你「AI 能干什么」，没法告诉你「事情为什么会走到这一步」。

这串数字里最值得注意的是两对：第十二章「编码」11 屏，第二十二章「编码及编程工作中的潜力」10 屏；第十章「教育及线上学习」7 屏，第二十章「教育科技」11 屏。同一个行业，被写了两遍，分居书的中间和后段，彼此不引用。

这不是巧合，是拼装出来的。一本书如果是先有提纲再写，不会把「编程」写两次；只有把若干篇现成的稿子按主题归堆，才会出现这种重复。

二、它其实只有一套模具，换了十几个行业名

我按它的章节顺序读，读到第五个行业章就摸清套路了。每一章都是这个顺序：

第一步，讲这个行业有多大、增长多快（配一句「据某机构预测」）。第二步，列三到五个「使用案例」，每个案例一两句，比如用 ChatGPT 写邮件、做客服问答、生成营销文案。第三步，列「益处」，通常是提效、降本、7×24 小时。第四步，列「挑战」，通常是准确性、隐私、偏见、监管。第五步，来一段「结论」，说这项技术潜力巨大但仍需谨慎。

这套模具本身没错，咨询报告就是这么写的。问题在于它被用了十几次，而每次的填充物几乎一样。第十五章医疗、第十六章电商、第十七章酒店，三章加起来 23 屏，讲的「案例」都是客服、内容生成、个性化推荐这三件事，只是把行业名换掉。

判断一本书是不是拼装，有个简单办法：把两章的行业名互换，看还读不读得通。我把第十五章（医疗）和第十七章（酒店）的行业名对调了一遍，除了几处「患者」「客人」的称呼，整段逻辑没有任何地方说不通。这说明它写的不是医疗，也不是酒店，写的是「AI 能做的事」的一个通用清单。

从标题就能看出这套模具的细度。第九章的用例小节是这么排的：「内容营销使用案例：介绍」「内容创作」「ChatGPT 在博客内容写作上的应用」「ChatGPT 在电子邮件营销中的应用」「其他与内容有关的使用案例」。五个小节，前两个是分类，第三个第四个是具体场景，最后一个是「其他」。「其他」出现在一个只有 13 屏的章节里，说明作者自己也知道这些场景列不完——但他没有选择收口，而是加了一个筐。

真正写行业的人不会这样。写医疗的人会讲病历结构化、会讲 HIPAA 与院内数据不出域、会讲模型说错一句剂量建议的后果；写酒店的人会讲 PMS 系统对接、多语种入住、旺季并发。这些「行业特有的约束」才是行业章的價值所在，而这本书里一条都没有。

「生成式AI可用于制造假新闻、假评论和其他形式的错误信息。这可能会为个人、企业及整个社会带来严重后果。错误信息可以通过社交媒体和其他在线平台迅速传播，导致产生混乱、恐慌甚至造成伤害。」

—— p0032，「生成式AI生成内容的局限性与面临的挑战」之一条

这段话没有错，但它是零信息量的正确。它没有说清「假新闻」在生成式 AI 出现之前就存在、这一轮的不同在于单位成本下降了三个数量级；也没有给一个案例、一个数据、一条监管条文。它只是把常识重述了一遍，用「可能」「严重」「甚至」这些词加重量。

三、连章名都重复了：第十三章和第十八章，一字不差

这是我核对得最仔细的一处，因为我不太相信自己的眼睛。

p0121 的章标题是「第十三章 ChatGPT的问题解决能力」，下面第一节是「以定量方式解决问题的重要性日益增加」，正文讲定量方法、决策科学（Decision Science）、跨学科结合数学统计经济学心理学。

p0162 的章标题是「第十八章 ChatGPT的问题解决能力」——一模一样的七个字。下面第一节是「ChatGPT在各领域的问题解决潜力」，正文讲「ChatGPT 具有使用数学建模、神经网络及公式来解决基本问题的能力」，接着举例说明它处理的是「100 米等于多少毫米」之外的复杂问题。

两章相隔五章，同名，同主题，同样都在讲数学与推理。第十八章开头那句话尤其值得抄下来：

「ChatGPT具有使用数学建模、神经网络及公式来解决基本问题的能力。」

—— p0162，第十八章 ChatGPT的问题解决能力，开篇第一句

这句话把「调用公式」和「理解公式」混成了一件事。模型能做的是把题面里的数代进一个它见过的解法模板，它不理解「为什么这个公式适用」。所以它在「100 米等于多少毫米」这类题上几乎不会错，在需要判断用哪个模型建模的题上会一本正经地胡说。这一点，第十三章讲了定量方法的重要性，第十八章讲了它「在各领域的潜力」，两章加起来 21 屏，恰恰没讲这个边界。

一本书出现两个同名章，通常只有一个原因：这本书没有经过一次通读式的编辑。有人负责第一章到第十三章，另一个人负责第十四章到第二十七章，两人各自觉得「问题解决能力」这个题目值得写，就都写了，然后合在一起，没人从头翻一遍。

对读者来说，这不只是浪费 21 屏（两章合计），而是信任问题：如果连目录层面的重复都没发现，正文里的数字和结论，凭什么相信被核过？

四、书里唯一的硬数字，是一张二手的市场预测

我在这本书里找到的最实的一处，是第九章开头的图 9-2「自然语言处理领域的增长预测（来源：大视野研究）」。柱状图纵轴到 320（单位十亿美元），横轴 2021 到 2030，柱上标着：2021 年 18.6、2022 年 25.86、2023 年 35.97、2024 年 50.01、2025 年 69.55、2026 年 96.71、2027 年 134.48、2028 年 187、2030 年 260.04。

这张图有两个问题。

第一个是口径。它标的是「自然语言处理领域」，不是 ChatGPT，也不是生成式 AI。NLP 是个老行业，包含语音识别、机器翻译、文本分析、情感计算，ChatGPT 只是它 2022 年底冒出来的一小块。用一张 NLP 整体市场的预测图，去给「ChatGPT 的使用案例」这一章开头做背书，是咨询报告里最常见的偷换——图的标题诚实，用法不诚实。

第二个是同一页正文紧接着又给了一组完全不同的数字：「预计到 2023 年，它将创造 2 亿美元的收入，到 2024 年则有 10 亿美元左右」。上一段图表说 2023 年整个 NLP 市场 359.7 亿美元，下一段正文说 2023 年「它」创造 2 亿美元。两个数字放在同一页，一个量级差 180 倍，读者根本不知道该看哪一个。而这两个数一个来自「大视野研究」，一个没写来源。

顺便说一个细节：这张图的横轴从 2021 到 2030，按年份该有十根柱，实际只标了九根——2028 之后直接跳到 2030，2029 那根不见了。柱子的高度是连续上升的，所以读者不会注意，但一个把预测图当论据的段落，连横轴都少了一年，说明它没有被复核过。

再往后还有一句：「只用了短短 3 个月，它就几乎实现了用户数从 1 到 1 亿的突破。」这句是全书最有价值的事实之一——它是 ChatGPT 现象的核心数据——但它被塞在段落中间，没有出处、没有时间点、没有和后面任何论证挂钩。一本讲「崛起」的书，把一个「两个月一亿用户」的事实当形容词用，这是对材料最大的浪费。

五、第 8 章那 28 屏，是全书唯一有连续叙事的地方

如果要给这本书找一处「像书」的地方，我选第 8 章「GPT系列的历史沿革及发展」。28 屏，占 10.9%，是全章最厚：GPT-1 三屏（p0048–p0050）、GPT-2 六屏（p0051–p0056）、GPT-3 六屏（p0057–p0062）、GPT-3.5 与 InstructGPT 三屏（p0063–p0065），然后是「GPT-3 模型中 API token 的成本缩减」五屏、API 定价模型一屏、ChatGPT 的技术局限性一屏。

这一段有真正的时间线，能看出模型能力是怎么一级一级跨上去的：从「能续写」到「能按指令做事」，中间的转折点是 InstructGPT 那一步——用人类偏好做强化学习，把「预测下一个词」的模型调成「按你要的方式回答」的助手。这是全书最该被讲透的技术转折。

但它只分到 3 屏，和 GPT-1 一样多。后面 6 屏给了 token 成本与 API 计价。一本讲「崛起」的书，给计价 6 屏、给对齐 3 屏，这个比例已经把作者的关注点写清楚了：他关心这门生意怎么算钱，不太关心它为什么突然会听话。

而且这一段还漏了三件本该有的东西：训练数据的来源与规模、一次训练的成本量级、「能力涌现」这件事到底有没有争议。第三件尤其可惜——2023 年之后学界对「涌现」有大量反例（换一个度量指标，很多「突然出现」的能力其实是平滑上升的），这本书写于争议开始之时，本来有机会把它记下来。

六、还有一屏，图和小节不在一个话题上

p0067 让我停了一下。这一屏的上半是图 8-8「通过训练课程进行文本处理的过程（来源：Whisper论文）」，下半是图 8-9 的编码器—解码器架构图，正文在讨论 Whisper 与 LibriSpeech 数据集的关系：「Whisper 的表现并不优于专门研究 LibriSpeech 性能的其他模型，因为它在一个广泛而多样的数据集上开展训练，并不针对任何特定的数据集。」

这段内容本身准确——Whisper 的卖点是泛化而不是在单一基准上刷分。但它所在的节标题是「GPT-3模型中API token的成本缩减」。一个讲语音识别模型训练数据的话，落在一个讲 API 计价的标题下面，两者之间没有任何过渡。

我不确定这是书本身的编排问题，还是抓取时章节标签对不齐——毕竟这本书的段落标签本身就很碎（140 段对 135 条目录）。所以我只把它记下来，不当作主要批评。但它确实反映了一种状态：这本书里图、文、标题三者之间的咬合度很松，读者必须自己判断「我现在看的这段到底属于哪个话题」。

七、它的短板

第一，没有作者立场。全书 27 章，我找不到一句「我认为」。所有判断都是转述式的：「业内普遍认为」「专家指出」「据预测」。这不是客观，这是没有观点。一本讲「崛起」的书，如果不敢说「哪一部分是真变化、哪一部分是泡沫」，它就只是把公开信息重排了一遍。

第二，时间戳太硬，且没有自我声明。书里最新的模型是 GPT-4（第二十六章 12 屏）、最新的产品是 ChatGPT Plus、最新的政策事件是印度 G20。它没有在前言里写清「本书截稿于 2023 年 X 月」，于是读者会默认它讲的是当下。这在 2023 年不算问题，在 2026 年是致命问题——因为「生成式 AI 的崛起」这件事，恰恰在这三年里才真正展开。

第三，数据几乎全是二手，且没有交叉验证。「大视野研究」的市场预测、各类「据预测」的增长率，这些是行业报告的原料，不是研究结论。把二手预测当论证，最大的风险是：预测本身就带商业目的（卖报告），而书把它们当客观事实引用。全书我没看到一处对同一指标给出两个来源的对照。

第四，行业章没有行业知识。前面说过，十几个行业章可以互换行业名而逻辑不变。这意味着它们提供的信息增量接近零——真正的行业读者看完会觉得自己什么都没学到，非行业读者看完会以为自己学到了。

第五，结构重复无人收口。两个同名章（第十三、十八章）、两组同题章（第十二/二十二章编码、第十/二十章教育），这四处至少浪费 40 屏。256 屏里 15.6% 是重复劳动。

八、那它还剩什么用

说句公道话，这本书有一个别人替代不了的功能：它是 2023 年上半年的一手切片。

如果你要写一份「生成式 AI 是怎么被谈论的」的材料——比如研究技术话语、研究行业 hype 的形成过程、或者给非技术同事做一次「当年大家是怎么想的」的分享——这本书很有用。它完整记录了那一年的语汇：iPhone 时刻、颠覆、赋能、新质生产力还没出现但「重塑」已经满天飞。它把那些话原样保存下来了，这本身就是史料。

具体说，这本书有三类材料是可以直接拿去用的。第一类是语汇：2023 年上半年大家怎么谈这件事，「iPhone 时刻」「重塑」「赋能」这些词在什么语境里被使用，它原样保留了。第二类是市场预测的样本：不是让你信这些数，是让你看到当年机构给出的曲线长什么样、口径怎么定、后来兑现了多少——这本身就是一份很好的「预测失灵」研究素材。第三类是用例清单：十二个行业、几十条「X 用在 Y 上」的短条目，做竞品调研或者给老板解释「同行都在干什么」时，可以直接当索引翻。

但它不能当技术书读。全书技术内容集中在第七、八、二十六章（技术概述 11 屏、GPT 系列 28 屏、GPT-4 12 屏），合计 51 屏，讲的是 GPT-1 到 GPT-4 的演进和 Transformer 架构，深度大致相当于一篇长一点的科普。真正想搞懂模型的人，这 51 屏不够，得去看论文。

它也不能当行业指南读。行业章没有行业约束，看完不知道明天上班该怎么用。

如果非要读，我给一个三小时的读法：先看第 8 章（GPT 系列史 28 屏），把模型演进的时间线建立起来；再看第 26 章（GPT-4，12 屏）补上终点；然后翻第 23、24 章（最新进展、当前市场，共 13 屏）看它怎么判断商业格局；最后挑一个你所在行业的那一章，看它写得多浅——这一遍下来你会得到一个准确的印象：这本书的信息密度约等于一份券商行业报告的摘要，而它最强的部分，是那些被原样保存下来的 2023 年语汇。

一句话：它是一本 2023 年的行业剪报，被装订成了书——史料价值真实，方法价值接近于零；同名章节出现两次这件事，比书里任何一个结论都更能说明它是怎么做出来的。

九、如果让我重编这本书

批评容易，重编难。但我还是想说说这本书本来可以怎么排，因为它的材料其实够——一百多屏的行业用例、二十多屏的模型史、几张真图表的二手数据，这些料凑得出一个像样的东西。

第一，把同题章合并。第十三与第十八章合成一章「ChatGPT 能算什么、不能算什么」，21 屏压到 12 屏，省下来的 9 屏用来写真正的边界：它在多步推理上会崩、在需要外部事实时会编、在数学上靠的是模式匹配而不是符号运算。这三条比「潜力巨大」有用一百倍。

第二，把行业章从十二个减到三个，但每个写深。选医疗、金融、教育——不是因为它们最重要，而是因为它们各有硬约束：医疗有合规与责任归属，金融有实时性与审计，教育有未成年人保护与教学法。把这三件事写透，读者自然能推到自己的行业；写十二个浅的，读者一个都推不过去。

第三，给数据加一张对照表。书里所有的市场预测都是单来源的。至少该做一张表：同一指标（比如 NLP 市场规模）列三家机构的预测，让读者看到分歧。分歧本身就是信息——它告诉你这个数不可靠。

第四，加一张术语与产品的年表。这本书里出现的模型、产品、政策事件全是散落的，GPT-1 到 GPT-4、ChatGPT Plus、G20、欧盟立法，读者得自己在脑子里排时间。一张四列年表（年份、模型或产品、关键能力、同期政策）就能把它们锚住，而且这张表在三年后依然有用——它是唯一不会随版本过期的东西。

这三条都不需要新素材，只需要一个从头读到尾的编辑。而这本书缺的，恰恰就是这个人。